Función de pérdida
Fórmula que mide cuánto se equivoca un modelo; entrenar consiste en ajustar el modelo para que ese valor sea lo más pequeño posible.
Explicado fácil
Es el “marcador de errores” del modelo. Si la predicción se parece mucho a la respuesta correcta, la pérdida es baja; si se equivoca mucho, es alta. Todo el entrenamiento consiste en bajar ese número.
Una analogía
Es jugar al “frío o caliente”: alguien esconde un objeto y te dice si te acercas o te alejas. La función de pérdida es esa voz que dice “caliente” o “frío” tras cada intento.
Un ejemplo
Si un modelo predice que una vivienda cuesta 200 000 € y en realidad costó 250 000 €, la pérdida refleja esos 50 000 € de error. Si predice 249 000 €, la pérdida es casi cero.
Cómo funciona (nivel técnico)
Cada tarea usa una pérdida adecuada. En regresión se suele usar el error cuadrático medio. En clasificación y en modelos de lenguaje, la entropía cruzada, que penaliza más cuanto menor es la probabilidad que el modelo asignó a la respuesta correcta. Como la función es derivable, se pueden calcular gradientes con retropropagación y moverse en la dirección que reduce el error mediante el descenso del gradiente.
Errores comunes
- Optimizar una pérdida que no refleja lo que realmente importa. Un modelo puede bajar mucho la pérdida y seguir siendo inútil o dañino para el caso real.
- Pensar que pérdida baja equivale a modelo bueno: hay que mirar también la pérdida en datos de validación.